In [ ]:
x = np.random.rand(50)
y = np.random.rand(50)
plt.figure(figsize=(4,4))
plt.scatter(x, y, color='red')
plt.title('Gráfico con Matplotlib')
plt.xlabel('Eje X')
plt.ylabel('Eje Y')
plt.show()
¿Qué es Seaborn y por qué usarlo?
Ventajas de Seaborn:
Antes de comenzar, hay que asegurarnos de tener Seaborn instalado.
También es recomendable actualizar Matplotlib y Pandas para evitar incompatibilidades.
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
Para asegurarnos que esta funcionado correctamente, vamos a cargar un dataset solo como ejemplo de prueba de Seaborn.
df = sns.load_dataset('penguins')
print(df.head())
species island bill_length_mm bill_depth_mm flipper_length_mm \ 0 Adelie Torgersen 39.1 18.7 181.0 1 Adelie Torgersen 39.5 17.4 186.0 2 Adelie Torgersen 40.3 18.0 195.0 3 Adelie Torgersen NaN NaN NaN 4 Adelie Torgersen 36.7 19.3 193.0 body_mass_g sex 0 3750.0 Male 1 3800.0 Female 2 3250.0 Female 3 NaN NaN 4 3450.0 Female
x = np.random.rand(50)
y = np.random.rand(50)
plt.figure(figsize=(4,4))
plt.scatter(x, y, color='red')
plt.title('Gráfico con Matplotlib')
plt.xlabel('Eje X')
plt.ylabel('Eje Y')
plt.show()
sns.scatterplot(x=x, y=y, color='blue')
plt.title('Gráfico con Seaborn')
plt.show()
print(sns.get_dataset_names())
['anagrams', 'anscombe', 'attention', 'brain_networks', 'car_crashes', 'diamonds', 'dots', 'dowjones', 'exercise', 'flights', 'fmri', 'geyser', 'glue', 'healthexp', 'iris', 'mpg', 'penguins', 'planets', 'seaice', 'taxis', 'tips', 'titanic']
Veamos que contiene algunos de los datasets incluidos en Seaborn
df = sns.load_dataset("anagrams")
print(df.head(5))
subidr attnr num1 num2 num3 0 1 divided 2 4.0 7 1 2 divided 3 4.0 5 2 3 divided 3 5.0 6 3 4 divided 5 7.0 5 4 5 divided 4 5.0 8
df = sns.load_dataset("car_crashes")
print(df.head(5))
total speeding alcohol not_distracted no_previous ins_premium \ 0 18.8 7.332 5.640 18.048 15.040 784.55 1 18.1 7.421 4.525 16.290 17.014 1053.48 2 18.6 6.510 5.208 15.624 17.856 899.47 3 22.4 4.032 5.824 21.056 21.280 827.34 4 12.0 4.200 3.360 10.920 10.680 878.41 ins_losses abbrev 0 145.08 AL 1 133.93 AK 2 110.35 AZ 3 142.39 AR 4 165.63 CA
df = sns.load_dataset("planets")
print(df.head(5))
method number orbital_period mass distance year 0 Radial Velocity 1 269.300 7.10 77.40 2006 1 Radial Velocity 1 874.774 2.21 56.95 2008 2 Radial Velocity 1 763.000 2.60 19.84 2011 3 Radial Velocity 1 326.030 19.40 110.62 2007 4 Radial Velocity 1 516.220 10.50 119.47 2009
df = sns.load_dataset("penguins")
print(df.info())
<class 'pandas.core.frame.DataFrame'> RangeIndex: 344 entries, 0 to 343 Data columns (total 7 columns): # Column Non-Null Count Dtype --- ------ -------------- ----- 0 species 344 non-null object 1 island 344 non-null object 2 bill_length_mm 342 non-null float64 3 bill_depth_mm 342 non-null float64 4 flipper_length_mm 342 non-null float64 5 body_mass_g 342 non-null float64 6 sex 333 non-null object dtypes: float64(4), object(3) memory usage: 18.9+ KB None
plt.figure(figsize=(6,4))
sns.scatterplot(x='bill_length_mm', y='bill_depth_mm', hue='species', data=df)
plt.title('Relación entre longitud y profundidad del pico del los pingüinos')
plt.show()
Estilos y temas visuales.
| darkgrid | Por defecto, útil para gráficos con líneas |
|---|---|
| whitegrid | Ideal para gráficos de barras o boxplots |
| dark | Fondo oscuro sin cuadrícula |
| white | Fondo blanco sin cuadrícula |
| ticks | Similar a "white", pero con marcas en los ejes |
df = sns.load_dataset('penguins')
sns.set_style('whitegrid')
plt.figure(figsize=(6,4))
sns.scatterplot(x ='bill_length_mm', y ='bill_depth_mm', hue='species', data=df)
plt.title('Ejemplo con estilo whitegrid')
plt.show()
Vamos a probar el mismo gráfico pero con diferente estilo.
df = sns.load_dataset('penguins')
sns.set_style('darkgrid')
plt.figure(figsize=(6,4))
sns.scatterplot(x ='bill_length_mm', y ='bill_depth_mm', hue='species', data=df)
plt.title('Ejemplo con estilo darkgrid')
plt.show()
Paletas disponibles y la forma de verlas.
sns.color_palette()
sns.color_palette('tab10')
sns.color_palette("hls", 8)
sns.color_palette("husl", 8)
sns.color_palette("Set2")
sns.color_palette("Paired")
sns.color_palette("rocket", as_cmap=True)
sns.color_palette("mako", as_cmap=True)
sns.color_palette("flare", as_cmap=True)
sns.color_palette("crest", as_cmap=True)
sns.color_palette('deep')
sns.color_palette('pastel')
sns.color_palette('bright')
sns.color_palette('dark')
sns.color_palette('colorblind')
paletas = sns.palettes.SEABORN_PALETTES
print(list(paletas.keys()))
['deep', 'deep6', 'muted', 'muted6', 'pastel', 'pastel6', 'bright', 'bright6', 'dark', 'dark6', 'colorblind', 'colorblind6']
sns.set_palette('pastel')
plt.figure(figsize=(6,4))
sns.countplot(x='species', data=df)
plt.title('Paleta de color Pastel')
plt.show()
Creando una Paleta personalizada.
personalizada = sns.color_palette(["#FF0000", "#FF0000", "#0000FF"]) # Codigo Hexadecimal
plt.figure(figsize=(6,4))
sns.set_palette(personalizada)
sns.boxplot(x='species', y='flipper_length_mm', data=df)
plt.title('Paleta de Colores Personalizada')
plt.show
<function matplotlib.pyplot.show(close=None, block=None)>
| paper | Más pequeño |
|---|---|
| notebook | Por defecto |
| talk | Más grande, ideal para presentaciones |
| poster | Mucho más grande |
Cambiar el tamaño del gráfico y la escala de fuentes.
plt.figure(figsize=(6,4))
sns.set_context('notebook', font_scale=1.5)
sns.barplot(x = 'species', y = 'body_mass_g', data = df)
plt.title('Escalando fuentes y tamaños de grafico')
plt.show()
Vamos a visualizar como cambia la apariencia de cada estilo con cinco gráficos en un fila.
estilos = ['darkgrid', 'whitegrid', 'dark', 'white', 'ticks']
fig, axes = plt.subplots(1, 5, figsize=(20,4))
for ax, estilo in zip(axes, estilos):
sns.set_style(estilo)
sns.scatterplot(x = 'bill_length_mm', y = 'bill_depth_mm', hue='species', data=sns.load_dataset('penguins'), ax=ax)
ax.set_title(f'Estilo: {estilo}')
plt.tight_layout()
plt.show()
Vamos a visualizar como cambia la apariencia en cinco gráficos con diferentes paletas.
paletas = ['deep', 'muted', 'bright', 'pastel', 'dark', 'colorblind']
fig, axes = plt.subplots(1, 6, figsize=(18, 4))
for ax, paleta in zip(axes, paletas):
sns.set_palette(paleta)
sns.histplot(sns.load_dataset('penguins')['body_mass_g'], bins = 15, kde=True, ax=ax)
ax.set_title(f'Paleta: {paleta}')
plt.tight_layout()
plt.show()
Vamos a visualizar como cambia la apariencia en cinco gráficos con diferentes contextos.
contextos = ['paper', 'notebook','talk', 'poster']
fig, axes = plt.subplots(1, 4, figsize=(20, 5))
for ax, contexto in zip(axes, contextos):
sns.set_context(contexto)
sns.barplot(x='species', y='body_mass_g', data=sns.load_dataset('penguins'), ax=ax)
ax.set_title(f'Contexto: {contexto}')
plt.tight_layout()
plt.show()
Gráficos de dispersión (scatterplot)
df = sns.load_dataset("planets")
print(df.info())
<class 'pandas.core.frame.DataFrame'> RangeIndex: 1035 entries, 0 to 1034 Data columns (total 6 columns): # Column Non-Null Count Dtype --- ------ -------------- ----- 0 method 1035 non-null object 1 number 1035 non-null int64 2 orbital_period 992 non-null float64 3 mass 513 non-null float64 4 distance 808 non-null float64 5 year 1035 non-null int64 dtypes: float64(3), int64(2), object(1) memory usage: 48.6+ KB None
plt.figure(figsize=(15, 4))
sns.scatterplot(x='year', y = 'distance', data=df)
plt.title('Distancia de los planetas en el tiempo')
plt.show()
Agregando colores según categorías
plt.figure(figsize=(26, 4))
sns.scatterplot(x='year', y = 'distance', hue='method', data=df)
plt.title('Dispersión por metodos de descubrimiento')
plt.show()
Cambiando tamaño y forma de puntos
plt.figure(figsize=(26, 4))
sns.scatterplot(x='year', y = 'distance', hue='method', size='mass', style='method', data=df)
plt.title('Dispersión por tamaño y forma')
plt.show()
Gráficos de líneas (lineplot)
df = sns.load_dataset("flights")
print(df.info())
<class 'pandas.core.frame.DataFrame'> RangeIndex: 144 entries, 0 to 143 Data columns (total 3 columns): # Column Non-Null Count Dtype --- ------ -------------- ----- 0 year 144 non-null int64 1 month 144 non-null category 2 passengers 144 non-null int64 dtypes: category(1), int64(2) memory usage: 2.9 KB None
plt.figure(figsize=(10, 4))
sns.lineplot(x = 'year', y = 'passengers',data = df)
plt.title('Evolución de pasajeros por año')
plt.show()
Gráfico com multiples lineas
plt.figure(figsize=(20, 4))
sns.lineplot(x = 'year', y = 'passengers', hue='year',data = df)
plt.title('Pasajeros por mes a lo largo del año')
plt.show()
df = sns.load_dataset("titanic")
print(df.info())
<class 'pandas.core.frame.DataFrame'> RangeIndex: 891 entries, 0 to 890 Data columns (total 15 columns): # Column Non-Null Count Dtype --- ------ -------------- ----- 0 survived 891 non-null int64 1 pclass 891 non-null int64 2 sex 891 non-null object 3 age 714 non-null float64 4 sibsp 891 non-null int64 5 parch 891 non-null int64 6 fare 891 non-null float64 7 embarked 889 non-null object 8 class 891 non-null category 9 who 891 non-null object 10 adult_male 891 non-null bool 11 deck 203 non-null category 12 embark_town 889 non-null object 13 alive 891 non-null object 14 alone 891 non-null bool dtypes: bool(2), category(2), float64(2), int64(4), object(5) memory usage: 80.7+ KB None
plt.figure(figsize=(10, 4))
sns.barplot(x ='class', y ='fare', data=df)
plt.title('Tarifa promedio por clase en el Titanic')
plt.show()
Gráfico con agregaciones y desgloses
plt.figure(figsize=(10, 4))
sns.barplot(x ='class', y ='fare', hue='sex', data=df)
plt.title('Tarifa promedio por clase y género')
plt.show()
df = sns.load_dataset("penguins")
print(df.info())
<class 'pandas.core.frame.DataFrame'> RangeIndex: 344 entries, 0 to 343 Data columns (total 7 columns): # Column Non-Null Count Dtype --- ------ -------------- ----- 0 species 344 non-null object 1 island 344 non-null object 2 bill_length_mm 342 non-null float64 3 bill_depth_mm 342 non-null float64 4 flipper_length_mm 342 non-null float64 5 body_mass_g 342 non-null float64 6 sex 333 non-null object dtypes: float64(4), object(3) memory usage: 18.9+ KB None
plt.figure(figsize=(10, 4))
sns.boxplot(x ='species', y ='bill_length_mm', data=df)
plt.title('Distribución de longitudes por especie')
plt.show()
Gráfico con división por categoría
plt.figure(figsize=(10, 4))
sns.boxplot(x ='species', y ='bill_length_mm', hue='sex', data=df)
plt.title('Distribución de longitudes por especie')
plt.show()
plt.figure(figsize=(10, 4))
sns.histplot(df['flipper_length_mm'], bins=20)
plt.title('Distribucion de longitud por aletas')
plt.show()
KDE Plot ( Curva de densidad)
plt.figure(figsize=(10, 4))
sns.kdeplot(df['flipper_length_mm'], shade=True) # En la compilación nos dice que usemos fill=True en lugar de shade
plt.title('Curva de densidad de la longitud por aletas')
plt.show()
C:\Users\Lalo\AppData\Local\Temp\ipykernel_11280\4122259467.py:2: FutureWarning: `shade` is now deprecated in favor of `fill`; setting `fill=True`. This will become an error in seaborn v0.14.0; please update your code. sns.kdeplot(df['flipper_length_mm'], shade=True) # En la compilación nos dice que usemos fill=True en lugar de shade
Es útil para ver cómo se distribuyen los valores dentro de una categoría.
El ancho de cada violin representa la densidad de los datos en esa región.
plt.figure(figsize=(10, 4))
sns.violinplot(x ='species', y='bill_length_mm', data=df)
plt.title('Distribución de longitudes de pico por especie')
plt.show()
Gráfico de violin con separación por género (hue)
plt.figure(figsize=(10, 4))
sns.violinplot(x ='species', y='bill_length_mm',hue='sex', data=df, split=True)
plt.title('Distribución de longitudes de pico por especie')
plt.show()
plt.figure(figsize=(10, 4))
sns.swarmplot(x ='species', y='bill_length_mm', data=df)
plt.title('Distribución de longitudes de pico por Swarmplot')
plt.show()
Combinación de Boxplot y Swarmplot
plt.figure(figsize=(10, 4))
sns.boxplot(x ='species', y ='bill_length_mm', data=df)
sns.swarmplot(x ='species', y ='bill_length_mm', color='black', size=3, data=df)
plt.title('Boxplot y Swarmplot')
plt.show()
df = sns.load_dataset("flights")
print(df.info())
<class 'pandas.core.frame.DataFrame'> RangeIndex: 144 entries, 0 to 143 Data columns (total 3 columns): # Column Non-Null Count Dtype --- ------ -------------- ----- 0 year 144 non-null int64 1 month 144 non-null category 2 passengers 144 non-null int64 dtypes: category(1), int64(2) memory usage: 2.9 KB None
plt.figure(figsize=(10, 4))
df_corr = df.pivot(index='month', columns='year', values='passengers')
sns.heatmap(df_corr, cmap='coolwarm', annot=True, fmt='.0f')
plt.title('Numero de pasajeros por mes y año')
plt.show()
df = sns.load_dataset("penguins")
plt.figure(figsize=(10, 4))
sns.regplot(x='bill_length_mm', y='bill_depth_mm', data=df)
plt.title('Regresión lineal entre longitud y profundidad del pico')
plt.show()
Regplot con diferentes especies lmplot
plt.figure(figsize=(3, 3))
sns.lmplot(x='bill_length_mm', y='bill_depth_mm', hue='species', data=df)
plt.title('Regresión por especie')
plt.show()
<Figure size 300x300 with 0 Axes>
plt.figure(figsize=(5, 5))
sns.pairplot(df, hue='species')
plt.title('Pairplot de los pinguinos')
plt.show()
<Figure size 500x500 with 0 Axes>
df = sns.load_dataset("flights")
print(df.info())
<class 'pandas.core.frame.DataFrame'> RangeIndex: 144 entries, 0 to 143 Data columns (total 3 columns): # Column Non-Null Count Dtype --- ------ -------------- ----- 0 year 144 non-null int64 1 month 144 non-null category 2 passengers 144 non-null int64 dtypes: category(1), int64(2) memory usage: 2.9 KB None
plt.figure(figsize=(5, 5))
graf = sns.FacetGrid(df, col='year', col_wrap=4) # col_wrap es el número de columnas
graf.map(sns.lineplot,'month', 'passengers')
plt.show()
<Figure size 500x500 with 0 Axes>
En este apartado veremos
df = sns.load_dataset('penguins')
paletas = ['deep', 'muted', 'bright', 'dark', 'colorblind']
for paletas in paletas:
plt.figure(figsize=(13, 4))
sns.scatterplot(x='bill_length_mm', y='bill_depth_mm', hue='species', data=df,palette=paletas)
plt.title(f'Paletas de Colores {paletas}')
plt.show()
Definir colores manualmente
colores = {'Adelie': 'blue', 'Chinstrap':'red', 'Gentoo':'green'}
plt.figure(figsize=(13, 4))
sns.scatterplot(x='bill_length_mm',y='bill_depth_mm',hue='species',data=df,palette=colores)
plt.title('Colores Personalizados')
plt.show()
plt.figure(figsize=(13, 4))
sns.scatterplot(x='species',y='bill_length_mm',data=df)
plt.title('Tamaño ajustado')
plt.show()
plt.figure(figsize=(13, 4))
sns.boxplot(x='species', y='bill_length_mm', data=df)
plt.title('Longitud del poco por espcie', fontsize=14, fontweight='bold')
plt.xlabel('Especie', fontsize=12)
plt.ylabel('Longitud del pico', fontsize=12)
plt.show()
data=sns.load_dataset("titanic")
plt.figure(figsize=(13, 4))
sns.barplot(x='class', y='fare', data=data)
plt.yscale('log')
plt.title('Tarifa por clase con escala logarítmica')
plt.show()
df=sns.load_dataset("flights")
plt.figure(figsize=(13, 4))
sns.barplot(x='month', y='passengers', data=df)
plt.xticks(rotation=45)
plt.title('Pasajeros por mes')
plt.show()
Para enfocar un rango especifico de datos de un gráfico
xlim(min, max), ylim(min,max) permite enfocar la visualización en una rango específico
plt.figure(figsize=(13,4))
sns.histplot(df['flipper_length_mm'], bins=20)
plt.xlim(170,230)
plt.ylim(0, 50)
plt.title('Histograma con límites de ejes ajustados')
plt.show()
plt.figure(figsize=(10,4))
sns.scatterplot(x='bill_length_mm', y='bill_depth_mm',data=df)
plt.annotate('Pico largo', xy=(55,17), xytext=(50,19),arrowprops=dict(facecolor='red', shrink=0.05))
plt.title('Scatterplot con anotacion')
plt.show()
| barplot | boxplot | ||
|---|---|---|---|
| x="categoria", y="valor" | data=df | x="categoria", y="valor" | data=df |
| hue="categoria | Variable para colorear puntos | hue="grupo" | Variable para colorear cajas |
| saturation=0.8 | Saturación del color | palette="Set3" | Paleta de colores |
| style="grupo | Variable para estilo de marcadores | saturation=0.75 | Saturación del color |
| palette="viridis | Paleta de colores | width=0.8 | Ancho de las cajas |
| dodge=True | Si las barras se agrupan o apilan | linewidth=1 | Grosor de línea |
| capsize=0.2 | Tamaño de las barras de error | fliersize=5 | Tamaño de los valores atípicos |
| errwidth=2 | Grosor de las barras de error | whis=1.5 | Longitud de los whiskers |
| markeredgecolor="black" | Color del borde del marcador | notch=False | Si se muestra una muesca |
| ci=95 | Intervalo de confianza | showcaps=True | Si se muestran las tapas |
| showfliers=True | Si se muestran los valores atípicos | ||
| boxprops={'facecolor': 'lightblue'} | Propiedades de las cajas | ||
| whiskerprops={'linestyle': '--'} | Propiedades de los whiskers |
| Scatterplot | lineplot | |||
|---|---|---|---|---|
| x="x", y="y" | data=df | x="x", y="y" | data=df | |
| hue="categoria | Variable para colorear puntos | hue="categoria | Variable para colorear puntos | |
| size="valor | Variable para tamaño de puntos | size="valor | Variable para tamaño de puntos | |
| style="grupo | Variable para estilo de marcadores | style="grupo | Variable para estilo de marcadores | |
| palette="viridis | Paleta de colores | palette="viridis | Paleta de colores | |
| sizes=(20, 200) | Rango de tamaños | dashes=[(2,2), (1,1)] | Patrones de línea personalizados | |
| markers=["o", "s", "D"] | Tipos de marcadores | markers=["o", "^"] | Tipos de marcadores | |
| alpha=0.7 | Transparencia | markersize=10 | Tamaño de marcadores | |
| edgecolor="white | Color del borde | markeredgecolor="black" | Color del borde del marcador | |
| linewidth=0.5 | Ancho de línea del borde | ci=95 | Intervalo de confianza |
| violinplot | stripplot | swarmplot | |
|---|---|---|---|
| x="categoria", y="valor" | data=df | x="categoria", y="valor" | data=df |
| hue="grupo" | Variable para colorear violines | hue="grupo" | Variable para colorear puntos |
| palette="muted" | Paleta de colores | palette="deep" | Paleta de colores |
| split=False | Si se dividen los violines por hue | size=5 | Tamaño de los puntos |
| inner="quartile" | Representación interna | jitter=True | Si se añade ruido horizontal |
| scale="width" | Escala de los violines | dodge=True | Si los puntos se agrupan por hue |
| scale_hue=True | Si se escalan los violines por hue | alpha=0.7 | Transparencia |
| gridsize=100 | Precisión de la estimación de densidad KDE | marker="o" | Tipo de marcador |
| width=0.8 | Ancho de los violines | edgecolor="gray" | Color del borde |
| linewidth=1 | Grosor de línea | linewidth=0.5 | Ancho de línea del borde |
| saturation=0.75 | Saturación del color |
| countplot | histplot | ||
|---|---|---|---|
| x="categoria" | data=df | data=df | x="valor" |
| hue="grupo" | Variable para colorear barras | hue="grupo" | Variable para colorear histogramas |
| palette="pastel" | Paleta de colores | palette="Set1" | Paleta de colores |
| saturation=0.75 | Saturación del color | bins=20 | Número de bins |
| dodge=True | Si las barras se agrupan o apilan | binwidth=None | Ancho de bins |
| kde=True | Si se añade estimación de densidad KDE | ||
| stat="density" | Estadística | ||
| cumulative=False | Si el histograma es acumulativo | ||
| multiple="layer" | Cómo mostrar múltiples distribuciones | ||
| alpha=0.5 | Transparencia | ||
| linewidth=0 | Ancho de línea del borde | ||
| element="bars" | Tipo de elemento | ||
| fill=True | Si se rellenan las barras |
df = sns.load_dataset("penguins")
data = sns.load_dataset("penguins")
print(df.info())
<class 'pandas.core.frame.DataFrame'> RangeIndex: 344 entries, 0 to 343 Data columns (total 7 columns): # Column Non-Null Count Dtype --- ------ -------------- ----- 0 species 344 non-null object 1 island 344 non-null object 2 bill_length_mm 342 non-null float64 3 bill_depth_mm 342 non-null float64 4 flipper_length_mm 342 non-null float64 5 body_mass_g 342 non-null float64 6 sex 333 non-null object dtypes: float64(4), object(3) memory usage: 18.9+ KB None
print(df.head())
species island bill_length_mm bill_depth_mm flipper_length_mm \ 0 Adelie Torgersen 39.1 18.7 181.0 1 Adelie Torgersen 39.5 17.4 186.0 2 Adelie Torgersen 40.3 18.0 195.0 3 Adelie Torgersen NaN NaN NaN 4 Adelie Torgersen 36.7 19.3 193.0 body_mass_g sex 0 3750.0 Male 1 3800.0 Female 2 3250.0 Female 3 NaN NaN 4 3450.0 Female
plt.figure(figsize=(10,4))
sns.histplot(df['body_mass_g'], bins=20, kde=True)
plt.title('Distribución de masa corporal')
plt.show()
plt.figure(figsize=(10,4))
sns.countplot(x='species', hue='island', data=df)
plt.title('Pingüinos por especie por isla')
plt.show()
plt.figure(figsize=(10,4))
sns.regplot(
data=df,
x='bill_length_mm',
y='bill_depth_mm',
scatter_kws={'s':100},
line_kws={'lw':2},
ci=None
)
plt.title('Regresión lineal con Seaborn')
plt.show()
data_unique = data.drop_duplicates(subset=['species', 'island'])
mapa = (
data_unique
.pivot(index='species', columns='island', values='bill_length_mm')
)
f, ax = plt.subplots(figsize=(10,4))
sns.heatmap(mapa, annot=True, fmt='.1f', cmap='coolwarm', ax=ax)
plt.title('Mapa de calor de longitudes de picos')
plt.show()
